Penelitian ini dilaksanakan dengan tujuan untuk menganalisis sentimen pengguna terhadap aplikasi bimbingan belajar Skolla yang bersumber pada ulasan di Google Play Store. Sebagai platform pendidikan digital, Skolla telah diunduh oleh lebih dari satu juta pengguna dengan respons yang beragam. Data yang digunakan pada penelitian ini berjumlah 1000 ulasan. Seluruh data tersebut telah dilabeli bersama pakar bahasa. Data dilakukan pembagian menjadi 80% data untuk menjadi data latih dan 20% data untuk data uji. Pada penelitian ini, hasil klasifikasi analisis sentimen menggunakan algoritma Naïve Bayes menunjukkan performa yang mumpuni dengan tingkat akurasi sebesar 96%, nilai presisi positif sebesar 97%, presisi negatif sebesar 91%, recall positif sebesar 99%, recall negatif sebesar 81%, f1-score positif sebesar 98% dan f1-score negatif sebesar 86%. Model klasifikasi ini kemudian diintegrasikan ke dalam sebuah website berbasis React agar pengguna dapat memantau sentimen ulasan secara praktis. Secara keseluruhan, metode Naive Bayes terbukti sangat efektif dalam mengenali karakteristik sentimen, khususnya pada ulasan bersentimen positif.

Perancangan dan Implementasi Sistem Analisis Pertandingan MMA Berbasis Machine Learning, Bagas Suryowaseso Haryoseno, NIM E31232507, Tahun 2026, Manajemen Informatika, Jurusan Teknologi Informasi, Politeknik Negeri Jember. Lukie Perdanasari, S. Kom., M.T. (Dosen Pembimbing). Penelitian ini membahas perancangan dan implementasi sistem analisis pertandingan Mixed Martial Arts (MMA) berbasis web yang memanfaatkan data historis pertandingan dan teknologi machine learning. Sistem dikembangkan untuk membantu pengguna dalam melihat informasi serta statistik petarung, membandingkan kemampuan dua petarung, melakukan simulasi pertandingan, dan memperoleh rekomendasi lawan berdasarkan kemiripan karakteristik petarung. Data yang digunakan dalam penelitian berasal dari data historis pertandingan UFC dengan jumlah lebih dari 22.000 data pertandingan yang mencakup informasi petarung, statistik pertandingan, serta hasil pertandingan. Model Random Forest digunakan untuk melakukan prediksi hasil pertandingan berdasarkan perbedaan karakteristik dan statistik antara dua petarung. Sistem dikembangkan menggunakan Laravel 12 sebagai framework backend, Python 3.12 sebagai lingkungan pengolahan data dan machine learning, serta MySQL sebagai basis data. Integrasi antara Laravel dan Python dilakukan melalui mekanisme subprocess dan pertukaran data dalam format JSON. Sistem juga dilengkapi dengan visualisasi data menggunakan Chart.js untuk membantu pengguna memahami hasil perbandingan dan prediksi. Hasil implementasi menunjukkan bahwa sistem mampu mengolah data petarung dan pertandingan, melakukan analisis Head-to-Head, menjalankan simulasi pertandingan dengan data petarung yang dapat dimasukkan secara manual, serta memberikan rekomendasi lawan berdasarkan karakteristik statistik. Dengan adanya sistem ini, analisis pertandingan MMA dapat dilakukan secara lebih terstruktur dengan memanfaatkan data historis dan pendekatan machine learning sebagai pendukung dalam proses analisis.

Analisis Sentimen Trend Fashion Pada Sosial Media Instagram Di Indonesia Untuk Mengetahui Opini Publik Dengan Menggunakan Metode Naive Bayes, Syarafina Khalishah, NIM E41212349, Tahun 2026, hlm, Teknologi Informasi, Politeknik Negeri Jember, Elly Antika, ST, M.Kom Pembimbing). Penelitian ini bertujuan untuk mengklasifikasikan sentimen publik terhadap dua brand fashion lokal Indonesia yang populer di Instagram, yaitu This Is April dan MyRubylicious, melalui komentar Instagram yang diperoleh menggunakan teknik web scraping. Total data yang berhasil dikumpulkan sebanyak 1.813 komentar, terdiri atas 1.013 komentar dari This Is April dan 800 komentar pada MyRubylicious. Dataset kemudian dibagi menjadi 70?ta latih dan 30?ta uji untuk mendukung proses klasifikasi dengan algoritma Naïve Bayes. Sebelum proses klasifikasi, data diproses melalui beberapa tahapan preprocessing meliputi cleaning, tokenizing, normalizing, stopword removal, dan stemming, kemudian dilakukan pembobotan kata menggunakan metode TF-IDF (Term Frequency–Inverse Document Frequency) yang merepresentasikan kepentingan suatu kata dalam dokumen secara proporsional, sehingga kata-kata yang lebih informatif memperoleh bobot lebih tinggi dalam proses klasifikasi. Evaluasi performa model dilakukan menggunakan confusion matrix. Hasil evaluasi menunjukkan bahwa model pada brand This Is April mencapai akurasi sebesar 98,36%, sedangkan pada brand MyRubylicious mencapai akurasi sebesar 99,17%. Hasil ini membuktikan bahwa algoritma Naïve Bayes mampu melakukan klasifikasi sentimen dengan sangat baik pada kedua brand fashion lokal tersebut. Hasil klasifikasi sentimen pada kedua brand menunjukkan dominasi sentimen positif secara konsisten, yang mencerminkan tingginya tingkat kepuasan dan penerimaan konsumen Instagram terhadap produk kedua brand fashion lokal tersebut. Secara keseluruhan, performa model pada MyRubylicious sedikit lebih tinggi dibandingkan This Is April, namun keduanya telah mencapai nilai akurasi yang sangat tinggi dan membuktikan efektivitas pendekatan Naïve Bayes berbasis TF-IDF untuk klasifikasi sentimen teks berbahasa Indonesia.

Penelitian dalam tugas akhir ini berfokus pada perancangan, pengembangan, dan analisis komprehensif terhadap karakter fiksi ilmiah individual bernama ?leph Ryán Juvenile. Karakter ini diklasifikasikan ke dalam Kelas Paradoksikal tingkat tinggi di atas kategori Calamity, dengan posisi eksistensial yang telah mapan di Dimensi 10. Keunikan utama dari karakter ini terletak pada kemampuannya untuk melakukan sinkronisasi temporal dan spasial secara absolut melalui struktur Immortal, di mana ia tidak hanya menyatukan dimensi masa lalu, masa sekarang, dan masa depan ke dalam satu lini masa, melainkan mengintegrasikan seluruh lini masa dari estimasi 10??? (tak terhingga) alam semesta di dalam multiversum menjadi satu struktur tunggal yang disebut sebagai Architect Fundamental. Lebih jauh lagi, karakter ini menempati posisi kekuasaan tertinggi pada Rank Tier - High 0 (Apex), sebuah tingkatan yang berada di atas Tier 0 (Boundless), yang dicapai melalui penguasaan kemampuan Element Fundamental Superquantum (manifestasi Full Awakening dari elemen kuantum yang beroperasi pada Dimensi 11). Metodologi pengembangan dan pengenalan karakter ini dilakukan melalui pendekatan interdisipliner yang mengintegrasikan berbagai cabang ilmu pengetahuan eksak. Fondasi karakter dibangun menggunakan visualisasi dan perhitungan berbasis Matematika Dasar hingga Matematika Tingkat Lanjut, Aritmatika, Googology (skala angka masif), Dasar Fisika hingga Fisika Kuantum, serta Geometri hingga Hyper-Geometri. Selain itu, integrasi aspek teknis diwujudkan melalui simulasi Quantum Computation yang mencakup sistem pemrograman dan enkripsi modular buatan karakter itu sendiri, serta didukung oleh struktur teoretis Kosmologi, Kimia, dan Biologi untuk memberikan spesifikasi anatomi dan eksistensi yang logis. Narasi karakter juga diperkuat dengan penyusunan backstory tragis yang memanfaatkan paradoks ilmiah sebagai pemicu utama trauma dan perkembangan kekuatannya. Hasil penelitian ini menghasilkan sebuah dokumen cetak biru (blueprint) pengembangan karakter secara digital yang memiliki konsistensi logika internal tinggi meskipun beroperasi pada skala kosmik ekstrem. Melalui pemodelan sistem ini, pengenalan karakter ?leph Ryán Juvenile sebagai entitas Architect Fundamental dapat didefinisikan secara matematis dan naratif tanpa mengalami bias logika (paradox breakdown). Kesimpulan dari tugas akhir ini membuktikan bahwa penggabungan teori fisika kuantum tingkat lanjut dan matematika hiper-geometri mampu menciptakan standar baru dalam penulisan dan pengenalan karakter fiksi ilmiah pada tingkatan Apex, yang siap diimplementasikan ke dalam industri kreatif seperti desain karakter fiksi.

Beras merupakan komoditas pangan utama yang strategis di Indonesia, di mana produktivitas panen sangat bergantung pada mutu benih berdaya kecambah tinggi. Pengujian daya berkecambah konvensional masih memiliki kelemahan karena bersifat subjektif dan memakan waktu. Penelitian ini bertujuan mengimplementasikan arsitektur Convolutional Neural Network (CNN) MobileNetV2 untuk mengklasifikasikan kualitas kecambah padi ke dalam tiga kelas: Kecambah Normal, Kecambah Abnormal, dan Benih Mati. Sebanyak 545 citra dataset awal yang mengalami ketidakseimbangan kelas ditangani melalui teknik augmentasi spasial dan pipeline pra-pemrosesan citra. Tahap pra-pemrosesan memainkan peran krusial melalui ekstraksi Region of Interest (ROI) menggunakan segmentasi biner adaptif berbasis nilai rata-rata (Mean x 2.2) dan operasi morfologi untuk mengisolasi objek kecambah secara utuh dari latar belakang. Evaluasi model melalui confusion matrix menunjukkan bahwa konfigurasi pembagian data 80:20 dengan siklus pelatihan 25 epoch menghasilkan performa paling optimal, dengan akurasi pengujian mencapai 93,58%. Keberhasilan isolasi fitur pada tahap pra-pemrosesan terbukti mampu mereduksi bias pada kelas minoritas secara alami tanpa memerlukan tambahan algoritma pembobotan kelas. Model terbaik tersebut kemudian diintegrasikan ke dalam prototipe aplikasi mobile bernama Sprouts Scan. Pengujian akurasi sistem menggunakan citra baru oleh dua pakar menghasilkan rata-rata akurasi klasifikasi sebesar 98,27%, sedangkan pengujian UAT menunjukkan tingkat penerimaan sebesar 100%. Secara keseluruhan, sistem cerdas ini terbukti empiris mampu meningkatkan objektivitas, akurasi, dan efisiensi dokumentasi dalam evaluasi daya berkecambah untuk mendukung kelancaran sertifikasi mutu benih nasional.

Aplikasi Online Single Submission (OSS) merupakan layanan perizinan berusaha berbasis elektronik yang digunakan untuk membantu masyarakat dalam mengurus perizinan usaha. Beragam tanggapan pengguna terhadap aplikasi OSS disampaikan melalui ulasan pada Google Play Store sehingga diperlukan analisis sentimen untuk mengetahui kecenderungan opini pengguna. Penelitian ini bertujuan untuk mengetahui pandangan pengguna terhadap aplikasi OSS, melakukan klasifikasi sentimen menggunakan metode Naive Bayes Classifier, serta mengukur kinerja model. Data penelitian diperoleh melalui web scraping ulasan aplikasi OSS pada Google Play Store dan diklasifikasikan ke dalam tiga kelas sentimen, yaitu positif, netral, dan negatif. Proses analisis dilakukan melalui preprocessing, pembobotan kata menggunakan TF-IDF, dan klasifikasi menggunakan Naive Bayes Classifier. Hasil analisis terhadap 2.598 ulasan menunjukkan bahwa sentimen negatif menjadi kategori yang paling dominan dibandingkan sentimen positif dan netral, yang menggambarkan bahwa tanggapan pengguna cenderung mengarah pada pengalaman yang kurang baik terhadap aplikasi OSS. Hasil evaluasi model memperoleh nilai akurasi sebesar 88,06%, yang menunjukkan bahwa Naive Bayes Classifier memiliki tingkat ketepatan yang baik dalam mengklasifikasikan sentimen ulasan pengguna aplikasi OSS.

Perancangan Dan Implementasi Sistem Keamanan Dan Presensi Asrama Berbasis Web , Faiz Marwan Murtadho, NIM E31231395, Tahun 2026, Teknologi Informasi, Politeknik Negeri Jember, Ir. Hendra Yufit Riskiawan, S.Kom, M.Cs (Dosen Pembimbing) Pengelolaan asrama mahasiswa yang mengandalkan pencatatan presensi manual dan formulir kertas untuk pengajuan izin terbukti kurang efisien, rentan kehilangan data, sulit diverifikasi, serta lambat dalam mendeteksi mahasiswa yang tidak berada di asrama (alfa). Penelitian ini bertujuan merancang dan mengimplementasikan sistem keamanan dan presensi asrama berbasis web yang ditujukan bagi tiga peran pengguna, yaitu admin, petugas asrama (guard), dan mahasiswa (student), dengan menyediakan platform manajemen terpadu yang mencakup presensi harian berbasis GPS, pengajuan izin yang terintegrasi otomatis ke kalender kehadiran, pemeriksaan kebersihan kamar, sistem poin kedisiplinan, dan peringatan bertingkat berdasarkan akumulasi alfa bulanan. Sistem ini dikembangkan menggunakan bahasa pemrograman JavaScript dan PHP, dengan framework Vue 3 untuk sisi front end dan Laravel untuk sisi back end yang menyediakan RESTful API terhubung ke basis data MySQL. Hasil yang diharapkan dari penelitian ini adalah terciptanya sebuah platform manajemen asrama yang fungsional, mudah digunakan, dan dapat secara signifikan meningkatkan efisiensi pengelolaan serta keamanan asrama. Kata kunci: manajemen asrama, presensi kehadiran, geofencing, GPS, sistem poin, Vue, Laravel

Penelitian ini bertujuan mengembangkan website SMKN 1 Maesan menggunakan metode Design Thinking untuk meningkatkan kualitas pengalaman pengguna dan kegunaan (usability). Pengembangan dilakukan melalui lima tahapan, yaitu Empathize, Define, Ideate, Prototype, dan Test. Tahap Empathize dilakukan dengan menyebarkan kuesioner dan wawancara kepada 20 responden yang terdiri atas siswa, guru, wali murid, calon siswa, dan operator sekolah untuk mengidentifikasi kebutuhan pengguna. Selanjutnya, hasil analisis digunakan sebagai dasar perancangan website yang kemudian diimplementasikan menggunakan framework Laravel. Pengujian dilakukan menggunakan Black Box Testing, System Usability Scale (SUS), dan User Acceptance Testing (UAT). Hasil penelitian menunjukkan bahwa seluruh fungsi website berjalan sesuai kebutuhan tanpa ditemukan kesalahan fungsional. Nilai SUS meningkat dari skor awal 45,5 pada website lama (Not Acceptable) menjadi kategori Acceptable dengan tingkat usability yang baik. Selain itu, hasil UAT menunjukkan kategori Sangat Layak, yang menandakan website diterima dengan baik dari aspek kemudahan penggunaan, fungsionalitas, kepuasan pengguna, dan kinerja sistem. Dengan demikian, penerapan metode Design Thinking berhasil menghasilkan website yang lebih informatif, mudah digunakan, dan sesuai dengan kebutuhan pengguna.